Los detalles del modelo fueron publicados este miércoles en la revista Nature. (Foto: AFP)
Los detalles del modelo fueron publicados este miércoles en la revista Nature. (Foto: AFP)

Investigadores de Google DeepMind han desarrollado GenCast, un modelo de aprendizaje automático que promete revolucionar las previsiones meteorológicas, especialmente en eventos extremos como ciclones tropicales y en áreas clave como la producción de energía eólica. Los detalles del modelo fueron publicados este miércoles en la revista Nature.

Una nueva era en predicciones meteorológicas

A diferencia de los métodos tradicionales basados en ecuaciones físicas, GenCast utiliza 40 años de datos históricos (1979-2018) para generar previsiones globales a 15 días en pasos de 12 horas. Este modelo es capaz de procesar más de 80 variables atmosféricas y de superficie en apenas ocho minutos.

En pruebas comparativas con el sistema de referencia global, el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF), GenCast mostró un desempeño superior en el 97,2% de los 1,320 objetivos analizados. Además, sobresale en la predicción de fenómenos extremos, trayectorias de ciclones y la estimación de la producción de energía eólica.

Predicciones probabilísticas más precisas

GenCast introduce un enfoque probabilístico, que estima las posibilidades de diferentes escenarios meteorológicos basándose en datos actuales y previos, ofreciendo una herramienta más fiable para la toma de decisiones en áreas como la gestión de desastres, planificación energética y actividades cotidianas.

Opiniones de expertos

Ernesto Rodríguez-Camino, meteorólogo y miembro de la Asociación Meteorológica Española, destacó que GenCast representa un avance significativo, al superar incluso al modelo IFS del ECMWF, considerado hasta ahora el estándar de calidad en predicciones a medio plazo. Sin embargo, subrayó que GenCast aún depende de datos iniciales derivados de métodos físicos tradicionales, como los utilizados por el IFS, para su entrenamiento y validación.

Rodríguez-Camino augura que en el futuro podrían surgir sistemas híbridos que combinen las ventajas del aprendizaje automático y las ecuaciones físicas, optimizando la precisión y la eficiencia de las predicciones.

TE PUEDE INTERESAR


TAGS RELACIONADOS